Update app.py

app.py

@@ -2,26 +2,25 @@ import gradio as gr
 from transformers import AutoImageProcessor, AutoModelForObjectDetection
 import torch
 from PIL import Image, ImageDraw
-import io
 
-# โหลดโมเดลและตัวประมวลผล
+# Load the model and processor
 processor = AutoImageProcessor.from_pretrained("0llheaven/Conditional-detr-finetuned")
 model = AutoModelForObjectDetection.from_pretrained("0llheaven/Conditional-detr-finetuned")
 
 def detect_objects(image):
-    # แปลงรูปภาพเป็น RGB หากเป็น grayscale
+    # Convert image to RGB if it's grayscale
     if image.mode != "RGB":
         image = image.convert("RGB")
     
-    # เตรียม input สำหรับโมเดล
+    # Prepare input for the model
     inputs = processor(images=image, return_tensors="pt")
     outputs = model(**inputs)
 
-    # กรองการทำนายที่มีความแม่นยำมากกว่า 0.5
+    # Filter predictions with confidence greater than 0.5
     target_sizes = torch.tensor([image.size[::-1]])
     results = processor.post_process_object_detection(outputs, target_sizes=target_sizes)
 
-    # วาดกรอบรอบวัตถุที่ตรวจพบในภาพ
+    # Draw bounding boxes around detected objects
     draw = ImageDraw.Draw(image)
     for result in results:
         scores = result["scores"]
@@ -34,18 +33,16 @@ def detect_objects(image):
             draw.rectangle(box, outline="red", width=3)
             draw.text((box[0], box[1]), f"{label_name}: {round(score.item(), 3)}", fill="red")
     
-    # แปลงภาพกลับเป็นรูปแบบที่ Gradio สามารถแสดงได้
-    pil_image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
-    return pil_imag
+    return image
 
-# สร้างอินเตอร์เฟซด้วย Gradio
+# Create the Gradio interface
 interface = gr.Interface(
     fn=detect_objects, 
     inputs=gr.Image(type="pil"), 
-    outputs=gr.Image(type="auto"),
+    outputs=gr.Image(type="pil"),  # Corrected output type
     title="Object Detection with Transformers",
     description="Upload an image to detect objects using a fine-tuned Conditional-DETR model."
 )
 
-# เปิดใช้งานอินเตอร์เฟซ
+# Launch the interface
 interface.launch()